CN101701906B - 基于近红外超光谱成像技术的仓储害虫检测方法和装置 - Google Patents
基于近红外超光谱成像技术的仓储害虫检测方法和装置 Download PDFInfo
- Publication number
- CN101701906B CN101701906B CN2009102350761A CN200910235076A CN101701906B CN 101701906 B CN101701906 B CN 101701906B CN 2009102350761 A CN2009102350761 A CN 2009102350761A CN 200910235076 A CN200910235076 A CN 200910235076A CN 101701906 B CN101701906 B CN 101701906B
- Authority
- CN
- China
- Prior art keywords
- insects
- grain
- live
- image
- insect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 241000238631 Hexapoda Species 0.000 title claims abstract description 110
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005516 engineering process Methods 0.000 title claims description 8
- 238000006073 displacement reaction Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000003384 imaging method Methods 0.000 claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims abstract description 4
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 3
- 230000003595 spectral effect Effects 0.000 claims description 21
- 241000607479 Yersinia pestis Species 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 239000003365 glass fiber Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 150000002367 halogens Chemical class 0.000 claims description 3
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims description 3
- 229910052721 tungsten Inorganic materials 0.000 claims description 3
- 239000010937 tungsten Substances 0.000 claims description 3
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 239000011521 glass Substances 0.000 claims 2
- 239000013307 optical fiber Substances 0.000 claims 2
- 241000894007 species Species 0.000 abstract description 3
- 238000005286 illumination Methods 0.000 description 5
- 238000001444 catalytic combustion detection Methods 0.000 description 3
- 238000001926 trapping method Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007873 sieving Methods 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- 230000035605 chemotaxis Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- APFVFJFRJDLVQX-UHFFFAOYSA-N indium atom Chemical compound [In] APFVFJFRJDLVQX-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000029264 phototaxis Effects 0.000 description 1
- 230000012865 response to insecticide Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种针对仓储害虫的检测方法和装置，自动采集粮食筛下物的近红外超光谱图像装置由光箱、照明单元、位移单元、光谱成像单元和计算机五部分组成，其中光谱成像单元包括铟镓砷近红外相机、成像光谱仪和近红外镜头。提取同时含活虫和死虫数据立方体的最优光谱波长，确定出粮虫中活虫的头数及每个活虫在图像中的坐标信息。提取粮虫活虫所在的图像子区域，运用粮虫活虫的近红外光谱特征，运用识别软件确定出粮虫活虫的种类信息，实现仓储害虫的自动检测。
Description
技术领域
本发明涉及一种针对仓储害虫的检测方法，特指基于近红外超光谱成像技术的仓储害虫检测方法。
背景技术
我国是世界上最大的粮食生产、储藏及消费大国，搞好粮食储藏是关系到国计民生的大事。全世界收获后的粮食重量损失约为10-15％，每年储藏期间的粮食至少有5％为害虫所糟蹋。我国的国库储粮损失率为0.2％左右，这是一项了不起的成就。但是，为此付出的代价也是巨大的，特别是杀虫剂的大量使用。为了确保粮食的安全储藏，储粮每年至少要使用杀虫剂进行一次熏蒸杀虫，许多地方要熏蒸两次，甚至更多，这不仅增加了开支，对粮食和环境的污染也日趋严重，而且害虫的抗药性水平快速提高。造成这种状况的一个主要原因是害虫防治决策缺乏科学性，而害虫防治决策重要的科学依据之一就是储粮害虫的准确检测。我国《粮油储藏技术规范》明确规定，虫粮等级标准中的害虫密度统计的是活虫的数量，因此需要对活虫进行准确检测。
仓储害虫的检测方法有扦样法、诱捕法和计算机视觉法。扦样法是目前我国粮库应用最广、最为传统的方法，它是按区分层定点人工/电动扦取粮食样品，每个检测点抽取至少1kg粮食进行人工过筛，过筛后人工识别。该法劳动强度比较大、效率比较低，但该法属于被动取虫，只要存在的粮虫均可被取出，且成本低廉。诱捕法是利用陷阱或粮虫生物学习性，如趋化性、趋光性、趋高性等进行诱捕，应用比较多的是带诱虫孔的探管诱捕器。该法受温度等环境因素影响较大、诱捕的虫种比较单一、测出的结果不稳定并与筛检害虫密度缺乏准确的对应关系，另外需要放置大量的诱捕器，成本比较高，从而限制了它的应用。但该法的劳动强度比较低、工作量相对比较小。
实际上，扦样法和诱捕法都是由粮虫鉴别专家借助显微镜或直接通过感觉器官利用虫子的结构特征和颜色特征，如有无翅膀、头部大小、鞘翅形状、斑纹形状和颜色等进行鉴别。这就需要检测人员具有很专业的分类学知识，另外，粮虫本身体型非常小，种类非常多，有些粮虫之间相似度非常高，因此不可避免地会出现分类误差。另外，人工识别的效率比较低，不利于粮虫检测的自动化。
计算机视觉法是采用自动/人工抽取粮食样本，并自动采集粮虫图像，然后运用计算机视觉、图像处理、模式识别等技术自动识别粮虫。该法具有准确度高、劳动量小、效率高、粮虫图像可视化、便于和粮库现有的计算机管理系统相连接等优点。近10多年来一直是粮虫领域的研究热点，研究人员在这方面进行了大量的研究，取得了很大的进展。贺贵明等利用内部装有摄像头的探测杆摄取粮食及粮虫影像开发了粮库粮虫智能监测系统及方法(发明专利号：01125651.6)，该装置通过求取差分图像(背景图像和目标图像)的阈值来判断图像中是否有粮虫出现，可对粮虫计数和统计，但不能自动确定粮虫的种类。甄彤、张红梅、周龙等用数码相机或CCD研究了1种或3种粮虫的自动分类，识别种类过少。邱道尹、张红涛等针对9类粮虫研制了粮虫在线智能检测系统，目前系统能对粮虫实时计数并自动分类，但目前还不能有效地区分死虫和活虫。
计算机视觉法可以实现粮虫的自动分类，是粮虫检测发展的方向，但目前的计算机视觉系统最多能对9类粮虫进行分类识别，还不能辨别出粮虫的“死”“活”，无法克服“假死”问题，另外识别的种类有待于进一步增加。因此，有必要研究仓储害虫自动检测方法及其装置，以自动确定出活虫的种类和数量，实现常见仓储害虫的准确自动检测。
发明内容
本发明的目的是要提供一种基于近红外超光谱成像技术的仓储害虫检测方法及其装置，可自动采集粮食筛下物的近红外超光谱图像，依据最优光谱波长的粮虫近红外图像，分析确定粮虫活虫的位置信息，运用粮虫活虫的近红外光谱特征，由识别软件自动判别出活虫的种类，并准确计数，实现仓储害虫的自动检测。
本发明的技术方案如下：
本发明所述的检测装置由光箱、照明单元、位移单元、光谱成像单元和计算机五部分组成。其特征在于：
所述的光箱为采集盒中的筛下物提供均匀的漫反射光，内含玻璃光纤线性灯、位移台、光谱成像单元，且光谱相机和玻璃光纤线性灯上、下、左、右、前、后可自由调节。所述的照明单元由内含卤钨灯的直流可调光源和Y分支玻璃光纤线性灯构成，为成像单元提供均匀的近红外波段的光照。所述的位移单元由位移台和位移台控制器组成，位移台控制器通过数据线与位移台和计算机相连，接收来自计算机发出的位移台控制指令，并向位移台发出驱动控制命令。所述的光谱成像单元包括铟镓砷近红外相机、成像光谱仪和近红外镜头，垂直安装在位移台的正上方，近红外相机与成像光谱仪和计算机相连，能拍摄采集盒中筛下物的图像，将光谱成像数据立方体高速传输到计算机。所述的计算机用于图像采集、处理、分析和显示。
本发明所述的自动检测方法，其特征在于：
(1)利用近红外超光谱成像装置采集粮食筛下物的近红外超光谱图像，去除数据立方体中CCD“坏点”等噪声。
(2)提取同时含活虫和死虫数据立方体的最优光谱波长。
(3)对筛下物的最优光谱波长图像进行图像处理，得到含有粮虫活虫目标的二值化图像，提取其面积、周长、复杂度等特征参数，通过粮虫活虫识别软件判别出粮虫活虫，统计粮虫活虫的头数，并提取出每个活虫在图像中的坐标信息。
(4)结合上述活虫的坐标信息，分割出最优光谱波长图像中粮虫活虫的子区域，提取粮虫活虫的近红外光谱特征，运用粮虫种类识别软件确定出粮虫活虫的种类信息。
所述的图像处理包括图像获取、去背景、滤波增强图像、分割图像。
所述的粮虫活虫识别软件内含高精度的识别模型，可通过神经网络分类器、支持向量机分类器或模糊分类器等技术，建立所提取的最优光谱波长图像中粮虫图像特征参数与粮虫活虫的关系模型，并保证模型识别精度在95％以上。
所述的粮虫种类识别软件内含高精度的识别模型，可通过神经网络分类器、支持向量机分类器或偏最小二乘分析等技术，建立粮虫近红外光谱特征参数与粮虫类别的关系模型，并保证模型识别精度在95％以上。
本发明的效果是：(1)本发明采用近红外超光谱成像系统对粮虫进行检测，判别出粮虫中活虫的种类、密度等信息，这在以往文件中都没有涉及。(2)本发明利用近红外成像技术实现了活虫的自动、准确计数，计数准确率为100％，解决了粮虫“假死”现象给计算机视觉法自动检测粮虫所带来的粮虫活虫计数不准确的难题。(3)本发明通过粮虫活虫的光谱特征进行识别分类，使活虫的分类正确率达到95％以上。
附图说明
图1为本发明的结构示意图。
图中，1-光箱，2-光源，3-位移台控制器，4-计算机，5-近红外相机，6-成像光谱仪，7-近红外镜头，8-玻璃光纤线性灯，9-位移台，10-采集盒。
六、具体实施方式
下面结合图1对本发明的具体实施进行说明。
本发明所述的检测装置由光箱1、照明单元、位移单元、光谱成像单元和计算机4五部分组成。所述的光箱1为采集盒10中的筛下物提供均匀的漫反射光，内含玻璃光纤线性灯8、位移台9、光谱成像单元，且光谱相机和玻璃光纤线性灯8上、下、左、右、前、后可自由调节。所述的照明单元由内含卤钨灯的直流可调光源2和Y分支玻璃光纤线性灯8构成，为成像单元提供均匀的近红外波段的光照。所述的位移单元由位移台9和位移台控制器3组成，位移台控制器3通过数据线与位移台9和计算机4相连，接收来自计算机4发出的位移台9控制指令，并向位移台9发出驱动控制命令。所述的光谱成像单元包括铟镓砷近红外相机5、成像光谱仪6和近红外镜头7，垂直安装在位移台9的正上方，近红外相机5与成像光谱仪6和计算机4相连，近红外相机5的光谱范围为900-1700nm，其前端是近红外镜头7，能拍摄采集盒中筛下物的图像，将光谱成像数据立方体高速传输到计算机4。所述的计算机4用于图像采集、处理、分析和显示。
工作时，确定近红外相机5的曝光时间及位移台4的速度，避免图像失真变形，并进行黑白场的标定，消除近红外相机5的暗电流噪声。驱动位移台4匀速运行，在稳定的条件下进行粮食筛下物的近红外超光谱图像采集，并高速传输至计算机4。图像采集完毕后，位移台9自动复位。利用近红外超光谱成像装置采集，去除粮食筛下物的近红外超光谱图像中CCD“坏点”等噪声。提取同时含活虫和死虫数据立方体的最优光谱波长。对筛下物的最优光谱波长图像进行图像处理，得到含有粮虫活虫目标的二值化图像，提取其面积、周长、复杂度等特征参数，通过识别软件判别出粮虫活虫，统计粮虫活虫的头数，并提取出每个活虫在图像中的坐标信息。结合上述活虫的坐标信息，分割出最优光谱波长图像中粮虫活虫的子区域，提取粮虫活虫的近红外光谱特征，运用识别软件确定出粮虫活虫的种类。
Claims (2)
1.基于近红外超光谱成像技术的仓储害虫检测方法，其特征在于，包括的步骤为：
(1)利用近红外超光谱成像装置采集粮食筛下物的近红外超光谱图像，去除数据立方体中CCD“坏点”噪声；
(2)提取同时含活虫和死虫数据立方体的最优光谱波长；
(3)对筛下物的最优光谱波长图像进行图像处理，得到含有粮虫活虫目标的二值化图像，提取其面积、周长、复杂度特征参数，通过粮虫活虫识别软件判别出粮虫活虫，统计粮虫活虫的头数，并提取出每个活虫在图像中的坐标信息；所述的图像处理包括图像获取、去背景、滤波增强图像、分割图像；所述的粮虫活虫识别软件为高精度的识别模型，通过神经网络分类器、支持向量机分类器或模糊分类器技术，建立所提取的最优光谱波长图像中粮虫图像特征参数与粮虫活虫的关系模型；
(4)结合上述活虫的坐标信息，分割出最优光谱波长图像中粮虫活虫的子区域，提取粮虫活虫的近红外光谱特征，运用粮虫种类识别软件确定出粮虫活虫的种类信息；所述的粮虫种类识别软件为高精度的识别模型，通过神经网络分类器、支持向量机分类器或偏最小二乘分析技术，建立粮虫近红外光谱特征参数与粮虫类别的关系模型。
2.实施权利要求1所述的基于近红外超光谱成像技术的仓储害虫检测方法的检测装置，其特征在于，由光箱(1)、照明单元、位移单元、光谱成像单元和计算机五部分组成；所述的位移单元由位移台(9)和位移台控制器(3)组成，位移台控制器(3)通过数据线与位移台(9)和计算机(4)相连，接收来自计算机(4)发出的位移台(9)控制指令，并向位移台(9)发出驱动控制命令，所述的位移台(9)安装在所述的光箱(1)底部；所述的光谱成像单元位于所述的光箱(1)内，垂直安装在位移台(9)的正上方，所述的光谱成像单元包括铟镓砷近红外相机(5)、成像光谱仪(6)和近红外镜头(7)，近红外相机(5)与成像光谱仪(6)和计算机(4)相连；所述的照明单元由内含卤钨灯的直流可调光源(2)和玻璃光纤线性灯(8)构成，所述玻璃光纤线性灯(8)为Y型分支、位于位移台(9)的上方，为采集盒(10)中的筛下物提供均匀的漫反射光；所述光谱成像单元和玻璃光纤线性灯(8)在上、下、左、右、前、后六向自由调节，近红外相机(5)的光谱范围为900-1700nm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009102350761A CN101701906B (zh) | 2009-11-13 | 2009-11-13 | 基于近红外超光谱成像技术的仓储害虫检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009102350761A CN101701906B (zh) | 2009-11-13 | 2009-11-13 | 基于近红外超光谱成像技术的仓储害虫检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101701906A CN101701906A (zh) | 2010-05-05 |
| CN101701906B true CN101701906B (zh) | 2012-01-18 |
Family
ID=42156826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2009102350761A Expired - Fee Related CN101701906B (zh) | 2009-11-13 | 2009-11-13 | 基于近红外超光谱成像技术的仓储害虫检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101701906B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102081039A (zh) * | 2010-08-17 | 2011-06-01 | 江苏大学 | 一种环境可控的作物营养水分高光谱图像检测装置 |
| TWI442884B (zh) * | 2011-09-29 | 2014-07-01 | Nat Univ Tsing Hua | 微小昆蟲自動分類系統 |
| TWI428185B (zh) * | 2011-09-29 | 2014-03-01 | Nat Univ Tsing Hua | 微小昆蟲檢測台 |
| CN105191288B (zh) * | 2012-12-31 | 2018-10-16 | 菲力尔系统公司 | 异常像素检测 |
| CN103177266A (zh) * | 2013-04-07 | 2013-06-26 | 青岛科技大学 | 储藏物害虫智能识别系统 |
| CN103518686B (zh) * | 2013-10-15 | 2015-07-01 | 石河子大学 | 滴灌棉田棉蚜快速监测与预警方法 |
| CN207571113U (zh) * | 2014-09-26 | 2018-07-03 | R·维诺格拉多夫 | 农产品质量控制系统 |
| TW201632864A (zh) * | 2014-11-23 | 2016-09-16 | Fujikin Kk | 光學性氣體濃度測定方法及由該方法所進行之氣體濃度監測方法 |
| CN105806843A (zh) * | 2014-12-29 | 2016-07-27 | 丰益(上海)生物技术研发中心有限公司 | 一种谷物中害虫虫卵检测方法 |
| EP3262934A1 (de) * | 2016-06-28 | 2018-01-03 | Bayer CropScience AG | Verfahren zur unkrautbekämpfung |
| CN106454076B (zh) * | 2016-09-26 | 2019-04-12 | 西安交通大学 | 一种利用光谱信息增强物体图像信息的采集装置 |
| CN106534671A (zh) * | 2016-11-02 | 2017-03-22 | 南京大学 | 一种360度图像同步采集系统 |
| CN107543802A (zh) * | 2017-08-31 | 2018-01-05 | 维沃移动通信有限公司 | 一种有害生物的清理方法及系统 |
| CN108648191B (zh) * | 2018-05-17 | 2021-06-04 | 吉林大学 | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 |
| CN112363237A (zh) * | 2020-10-21 | 2021-02-12 | 许昌职业技术学院 | 一种新型储粮害虫检测装置 |
| CN115152715B (zh) * | 2022-05-20 | 2024-10-22 | 中科芯禾(深圳)科技有限公司 | 粮仓害虫诱捕数量监测方法、粮仓害虫诱捕设备及系统 |
| CN119557665B (zh) * | 2025-01-24 | 2025-05-23 | 中储粮(四川)质检中心有限公司 | 基于大数据的粮仓害虫监测预警方法、系统、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1351305A (zh) * | 2001-08-18 | 2002-05-29 | 贺贵明 | 粮库粮虫智能监测系统及方法 |
| CN2786629Y (zh) * | 2004-12-15 | 2006-06-07 | 郑州鑫胜电子科技有限公司 | 粮仓害虫检测装置 |
| CN201222783Y (zh) * | 2008-07-10 | 2009-04-15 | 苏国政 | 无人值守目标智能识别与自动跟踪系统 |
| CN101493884A (zh) * | 2008-01-24 | 2009-07-29 | 中国科学院自动化研究所 | 多光谱图像采集装置和方法 |
-
2009
- 2009-11-13 CN CN2009102350761A patent/CN101701906B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1351305A (zh) * | 2001-08-18 | 2002-05-29 | 贺贵明 | 粮库粮虫智能监测系统及方法 |
| CN2786629Y (zh) * | 2004-12-15 | 2006-06-07 | 郑州鑫胜电子科技有限公司 | 粮仓害虫检测装置 |
| CN101493884A (zh) * | 2008-01-24 | 2009-07-29 | 中国科学院自动化研究所 | 多光谱图像采集装置和方法 |
| CN201222783Y (zh) * | 2008-07-10 | 2009-04-15 | 苏国政 | 无人值守目标智能识别与自动跟踪系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张红涛等.储粮害虫图像识别中的特征提取.《农业工程学报》.2009,第25卷(第2期),期刊第126-130页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101701906A (zh) | 2010-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101701906B (zh) | 基于近红外超光谱成像技术的仓储害虫检测方法和装置 | |
| CN101701915B (zh) | 基于可见光—近红外双目机器视觉的粮虫检测装置和方法 | |
| CN104155312B (zh) | 基于近红外计算机视觉的粮粒内部害虫检测方法和装置 | |
| Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
| CN101672839B (zh) | 一种基于计算机视觉的种蛋孵化品质检测方法 | |
| CN103076288B (zh) | 一种基于计算机视觉的鱼肉自动分级装置和方法 | |
| CN103033512B (zh) | 一种基于高光谱识别种蛋孵化的方法 | |
| CN107346434A (zh) | 一种基于多特征及支持向量机的植物病虫害检测方法 | |
| Bosilj et al. | Connected attribute morphology for unified vegetation segmentation and classification in precision agriculture | |
| CN103955938B (zh) | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 | |
| CN107578089A (zh) | 一种农作物灯诱测报害虫的自动识别与计数方法 | |
| CN103489006A (zh) | 一种基于计算机视觉的水稻病虫草害诊断方法 | |
| CN103323455A (zh) | 基于反射、透视和显微图像的烟叶分级方法 | |
| CN104297439B (zh) | 一种基于计算机视觉的双黄鸭蛋自动识别检测方法 | |
| CN107330403B (zh) | 一种基于视频数据的牦牛计数方法 | |
| CN103793686A (zh) | 一种果树产量早期预测的方法 | |
| CN105548124A (zh) | 一种柑橘溃疡病的检测方法和装置 | |
| Garcia et al. | Acquisition of digital images and identification of Aedes Aegypti mosquito eggs using classification and deep learning | |
| Sheng et al. | Automatic detection and counting of planthoppers on white flat plate images captured by AR glasses for planthopper field survey | |
| CN108829762A (zh) | 基于视觉的小目标识别方法和装置 | |
| CN107576660A (zh) | 一种基于距离等高线的双黄鸭蛋自动视觉检测方法 | |
| CN110598516A (zh) | 基于随机森林的多方位分层采集组合稻田杂草识别方法 | |
| CN117409403B (zh) | 一种基于深度学习的水稻稻穗成熟度估算方法 | |
| CN110060294A (zh) | 一种果树作物的产量评估方法 | |
| CN118587745A (zh) | 基于图像分析的昆虫智能监控分析系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120118 Termination date: 20161113 |